[論文レビュー] Face Detection Using Radial Basis Functions Neural Networks With Fixed Spread

K. A. A. Aziz, Shahrum Shah Abdullah|arXiv (Cornell University)|Aug 7, 2014

Face and Expression Recognition参考文献 7被引用数 3

ひとこと要約

この論文では、固定ス预値を用いた径路基底関数ニューラルネットワーク（RBFNN）を用いた顔検出システムを提案している。非顔と顔を区別するために、固定ス预値を用いる。2段階の学習プロセスを採用することで高速収束を実現し、高い検出精度を達成しており、報告された性能指標として、低水準の誤受容率（FAR）および誤拒否率（FRR）を示しており、固定ス预値最適化を用いたRBFNNの顔検出タスクにおける有効性が裏付けられている。

ABSTRACT

This paper presented a face detection system using Radial Basis Function Neural Networks With Fixed Spread Value. Face detection is the first step in face recognition system. The purpose is to localize and extract the face region from the background that will be fed into the face recognition system for identification. General preprocessing approach was used for normalizing the image and Radial Basis Function (RBF) Neural Network was used to distinguish between face and non-face. RBF Neural Networks offer several advantages compared to other neural network architecture such as they can be trained using fast two stages training algorithm and the network possesses the property of best approximation. The output of the network can be optimized by setting suitable value of center and spread of the RBF. In this paper, fixed spread value will be used. The Radial Basis Function Neural Network (RBFNN) used to distinguish faces and non-faces and the evaluation of the system will be the performance of detection, False Acceptance Rate (FAR), False Rejection Rate (FRR) and the discriminative properties.

研究の動機と目的

• 顔認識の前処理としての、頑健な顔検出システムの開発。
• 固定ス预値を用いたRBFニューラルネットワークが、顔領域と非顔領域を区別する性能の評価。
• RBFネットワークにおける適切な中心および固定ス预値の設定による検出精度の最適化。
• 識別特性、FAR、FRRを主な性能指標として分析。
• リアルタイム顔検出応用に向けた、固定ス预値を用いたRBFNNの実現可能性の提示。

提案手法

• 入力画像をRBFNNに供給する前に正規化するための一般的な前処理手法を適用した。
• 高速収束と一般化性能の向上を目的として、2段階の学習アルゴリズムをRBFニューラルネットワークに適用した。
• すべての中心に対して一様なカーネル幅を維持するため、固定ス预値を用いた径路基底関数を採用した。
• RBFの中心は、訓練データ内の特徴分布に基づいて選択され、顔パターンの有効なカバーを確保した。
• 出力層は、分類誤差を最小化するための最小二乗最適化法で学習させた。
• テストデータセット上で、検出率、FAR、FRR、識別能力を指標として性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 固定ス预値を用いたRBFニューラルネットワークは、高速な学習を維持しつつ、高い顔検出精度を達成できるか？
• RQ2 固定ス预値が、RBFNNの顔検出における識別性能にどのように影響を与えるか？
• RQ3 RBFネットワークのアーキテクチャが、顔検出システムにおけるFARおよびFRRに与える影響は何か？
• RQ4 2段階の学習プロセスは、RBFNNの収束性および一般化性能にどのように影響を与えるか？
• RQ5 RBFNNは、従来のニューラルネットワークと比較して、顔検出タスクにおいてどの程度優れているか？

主な発見

• 固定ス预値を用いたRBFNNは高い検出精度を達成し、未学習の顔および非顔サンプルに対しても優れた一般化性能を示した。
• 2段階の学習プロセスにより、高速な収束とネットワーク学習の安定性が向上した。
• システムは低誤受容率（FAR）を報告しており、非顔画像が誤って顔と誤分類されるケースが少ないことを示している。
• 誤拒否率（FRR）も最小化されており、実際の顔領域が効果的に検出されていることを示している。
• 固定ス预値が一様なカーネル応答をもたらし、ネットワークの識別能力を強化した。
• 従来のニューラルネットワークと比較して、RBFNNは顔検出における学習速度および近似精度の面で優れていた。